2025年统计学期末考试题库-统计推断与检验案例分析习题解析

2025年统计学期末考试题库——统计推断与检验案例分析习题解析考试时间：______分钟总分：______分姓名：______一、单项选择题（本大题共20小题，每小题1分，共20分。在每小题列出的四个选项中，只有一个是符合题目要求的，请将正确选项字母填在题后的括号内。）1.在假设检验中，第一类错误指的是（）A.真实情况是H1成立，但检验结果接受了H0B.真实情况是H0成立，但检验结果拒绝了H0C.真实情况是H0成立，但检验结果接受了H0D.真实情况是H1成立，但检验结果拒绝了H02.样本均值的标准误差是（）A.总体标准差除以样本量的平方根B.总体标准差乘以样本量的平方根C.样本标准差除以样本量的平方根D.样本标准差乘以样本量的平方根3.在进行双尾检验时，如果显著性水平α=0.05，那么拒绝域的面积是（）A.0.025B.0.05C.0.075D.0.14.在估计总体均值时，如果样本量较小，那么应该使用（）A.Z分布B.t分布C.F分布D.χ2分布5.在进行方差分析时，如果只有一个因素，那么应该使用（）A.单因素方差分析B.双因素方差分析C.三因素方差分析D.回归分析6.在进行相关分析时，如果两个变量的相关系数为-0.8，那么说明（）A.两个变量之间存在正相关关系B.两个变量之间存在负相关关系C.两个变量之间不存在线性关系D.两个变量之间存在非线性关系7.在进行回归分析时，如果回归系数的t检验的p值小于0.05，那么说明（）A.回归系数显著不为零B.回归系数不显著不为零C.回归系数显著为零D.回归系数不显著为零8.在进行假设检验时，如果p值小于显著性水平α，那么应该（）A.拒绝H0B.接受H0C.不确定是否拒绝H0D.改变显著性水平α9.在进行置信区间估计时，如果置信水平为95%，那么说明（）A.有95%的概率估计错误B.有95%的概率估计正确C.有5%的概率估计错误D.有5%的概率估计正确10.在进行卡方检验时，如果卡方统计量的观测值大于临界值，那么应该（）A.拒绝H0B.接受H0C.不确定是否拒绝H0D.改变显著性水平α11.在进行回归分析时，如果残差平方和较小，那么说明（）A.回归模型的拟合优度较高B.回归模型的拟合优度较低C.回归系数显著不为零D.回归系数不显著不为零12.在进行假设检验时，如果显著性水平α=0.01，那么拒绝域的面积是（）A.0.005B.0.01C.0.015D.0.0213.在估计总体比例时，如果样本量较大，那么应该使用（）A.Z分布B.t分布C.F分布d.χ2分布14.在进行方差分析时，如果有多个因素，那么应该使用（）A.单因素方差分析B.双因素方差分析C.三因素方差分析D.回归分析15.在进行相关分析时，如果两个变量的相关系数为0，那么说明（）A.两个变量之间存在正相关关系B.两个变量之间存在负相关关系C.两个变量之间不存在线性关系D.两个变量之间存在非线性关系16.在进行回归分析时，如果回归系数的F检验的p值小于0.05，那么说明（）A.回归系数显著不为零B.回归系数不显著不为零C.回归系数显著为零D.回归系数不显著为零17.在进行假设检验时，如果p值大于显著性水平α，那么应该（）A.拒绝H0B.接受H0C.不确定是否拒绝H0D.改变显著性水平α18.在进行置信区间估计时，如果置信水平为99%，那么说明（）A.有99%的概率估计错误B.有99%的概率估计正确C.有1%的概率估计错误D.有1%的概率估计正确19.在进行卡方检验时，如果卡方统计量的观测值小于临界值，那么应该（）A.拒绝H0B.接受H0C.不确定是否拒绝H0D.改变显著性水平α20.在进行回归分析时，如果R平方较小，那么说明（）A.回归模型的拟合优度较高B.回归模型的拟合优度较低C.回归系数显著不为零D.回归系数不显著不为零二、多项选择题（本大题共10小题，每小题2分，共20分。在每小题列出的五个选项中，有多项是符合题目要求的，请将正确选项字母填在题后的括号内。）1.在假设检验中，以下哪些是影响检验结果的因素（）A.样本量B.显著性水平αC.总体标准差D.检验统计量的值E.检验方法2.在估计总体均值时，以下哪些是影响估计精度的因素（）A.样本量B.总体标准差C.置信水平D.检验统计量的值E.检验方法3.在进行方差分析时，以下哪些是假设条件（）A.各组的样本量相等B.各组的方差相等C.各组的均值相等D.数据服从正态分布E.各组的样本量不等4.在进行相关分析时，以下哪些是影响相关系数的因素（）A.样本量B.显著性水平αC.总体标准差D.检验统计量的值E.检验方法5.在进行回归分析时，以下哪些是影响回归系数显著性的因素（）A.样本量B.显著性水平αC.总体标准差D.检验统计量的值E.检验方法6.在进行置信区间估计时，以下哪些是影响估计精度的因素（）A.样本量B.总体标准差C.置信水平D.检验统计量的值E.检验方法7.在进行卡方检验时，以下哪些是假设条件（）A.样本量足够大B.数据服从正态分布C.各组的方差相等D.各组的均值相等E.数据服从二项分布8.在进行回归分析时，以下哪些是影响回归模型拟合优度的因素（）A.样本量B.显著性水平αC.总体标准差D.检验统计量的值E.检验方法9.在进行假设检验时，以下哪些是影响检验结果的因素（）A.样本量B.显著性水平αC.总体标准差D.检验统计量的值E.检验方法10.在进行相关分析时，以下哪些是影响相关系数显著性的因素（）A.样本量B.显著性水平αC.总体标准差D.检验统计量的值E.检验方法三、简答题（本大题共5小题，每小题4分，共20分。）1.简述假设检验的基本步骤，并举例说明在实际问题中如何应用。哎，同学们，咱们今天来聊聊假设检验啊。这可是统计推断里头挺重要的一部分，说白了，就是咱们根据手里头的样本数据，去判断关于总体的一些说法到底是靠谱不靠谱。这个过程啊，其实挺有讲究的，得一步步来。首先呢，你得根据实际问题，提出两个互相矛盾的假设，一个是原假设，通常记作H0，一般是咱们想推翻的那个说法，比如觉得这批产品的合格率不达标；另一个是备择假设，记作H1，就是咱们想接受的那个说法，比如觉得这批产品的合格率达标了。这两个假设呢，得满足非此即彼，要么H0对，要么H1对，不能俩都对，也不能俩都不对。提出假设之后呢，就得构造一个检验统计量。这个统计量得能反映出样本数据跟H0的差异，而且它还得服从某个已知的分布，比如Z分布或者t分布。怎么构造这个统计量呢，这得看具体问题，比如检验均值，如果知道总体方差，就用Z统计量，不知道就用t统计量。然后呢，得根据咱们选定的显著性水平α，也就是犯第一类错误（也就是H0真却拒绝了H0）的概率上限，去确定拒绝域。拒绝域就是那些能让咱们拒绝H0的检验统计量的取值范围。最后一步呢，就是算出检验统计量的观测值，看看这个值是不是落在拒绝域里。如果在拒绝域里，那就说明样本数据跟H0的差异太大了，不太可能是偶然发生的，咱们就有理由拒绝H0，接受H1；如果不在拒绝域里，那就说明样本数据跟H0的差异不大，可能是偶然发生的，咱们就没办法拒绝H0，得接受H0。你看，就这么一步步走下来。举个例子吧，假设咱们要检验一种新药有没有效果。H0：新药没有效果（药物效果与安慰剂无差异）；H1：新药有效果（药物效果显著优于安慰剂）。咱们随机找一批人，一半给新药，一半给安慰剂，记录下他们的治疗效果。算出两组的平均效果，如果新药组的效果显著高于安慰剂组，并且这个差异超出了咱们根据统计理论算出来的随机误差范围（也就是拒绝域），那咱们就拒绝H0，认为新药有效果；如果差异没超出范围，那咱们就接受H0，认为目前证据不足以说明新药有效果。就这么个过程。2.解释什么是置信区间，并说明置信水平与置信区间的宽度之间的关系。好啊，咱们接着聊。置信区间这东西啊，其实比假设检验里的p值要直观一些。简单来说，置信区间就是在进行参数估计的时候，咱们给出一个范围，认为这个范围里包含了我们想要估计的总体参数（比如总体均值μ）的真实值。注意啊，这可不是说这个范围有百分之百的把握包含真值，它是一个概率性的描述。咱们通常说“在95%的置信水平下，总体均值的置信区间是[100,150]”，这句话的意思是，如果我们反复抽样，每次都根据样本数据计算出这样一个置信区间，那么理论上，这100个区间里，有95个会包含真正的总体均值μ。它不是针对某一个特定区间的断言，而是对抽样方法的一个长期承诺。至于置信水平α（通常写成1-α）和置信区间的宽度之间的关系嘛，那可是非常明确的。置信水平越高，咱们要求的“把握”就越大，那这个区间就得越宽，才能有更高的概率包含住真值。反之，如果咱们要求更高的确定性，希望区间窄一点，那置信水平就得降低。打个比方，就像打靶一样，你想命中靶心（真值）的把握有多大？如果你要求99%的把握，那你的子弹弹道（置信区间）就必然要宽一些，才能保证99次中有97次（1-99%=1%）能打中靶心。如果你只要求80%的把握，那你的弹道就可以窄一些，但也就意味着有20%的时候可能打不中靶心。所以，置信区间宽度和置信水平是成正比的关系。α越小（置信水平越高），区间越宽；α越大（置信水平越低），区间越窄。咱们在设计研究或者解释结果的时候，得根据实际情况在这两者之间做个权衡。3.在进行相关分析时，相关系数r的取值范围是多少？它反映了什么？哎，说到相关系数r啊，这是衡量两个变量线性关系强度和方向的一个常用指标。它的取值范围，就像咱们在坐标系里画直线一样，是从-1到+1，也就是[-1,+1]这个闭区间。这个范围啊，很有意思，它完美地反映了相关关系的几种典型情况。首先，当r=+1时，表示两个变量之间存在完美的正线性相关关系。这意味着一个变量的值增加，另一个变量的值也以固定的比例增加，数据点全部落在一条斜率向上的直线上。这是最理想的情况，现实中很少见。其次，当r=-1时，表示两个变量之间存在完美的负线性相关关系。这意味着一个变量的值增加，另一个变量的值也以固定的比例减少，数据点全部落在一条斜率向下的直线上。这同样是理想情况，现实中也很少见。再次，当r=0时，表示两个变量之间不存在线性相关关系。但是呢，同学们要注意，r=0并不一定意味着两个变量之间没有任何关系，它只说明没有线性模式，可能存在非线性关系，比如U型关系。最后，当r的绝对值越接近1（即-1≤|r|<1），表示两个变量之间的线性关系越强；当r的绝对值越接近0（即0<|r|≤1），表示两个变量之间的线性关系越弱。r为正表示正相关，即一个变量增加，另一个变量也倾向于增加；r为负表示负相关，即一个变量增加，另一个变量倾向于减少。这个r值啊，就像一把尺子，帮我们量化了两个变量线性关联的“紧密度”。4.简述回归分析中检验回归系数显著性的常用方法。回归分析这东西啊，咱们不光想知道自变量对因变量有没有影响，还想知道影响有多大，方向是正向还是负向。这就要检验回归系数了。回归系数的显著性检验，说白了，就是看咱们根据样本数据算出来的回归系数（比如β0和β1），能不能反映整个总体的真实情况。如果这个系数显著不为零，那咱们才敢说自变量对因变量有显著影响。常用的检验方法，主要是t检验。对于简单线性回归（就是一个自变量和一个因变量），咱们主要关注斜率系数β1的显著性。怎么用t检验呢？首先，得构造一个t统计量。这个t统计量的基本形式是：t=（计算得到的斜率系数β1-真实的斜率系数β1（假设为0））/（该斜率系数的标准误）。因为咱们不知道真实的β1是多少，所以实际上是用0去替代它。这个公式简化一下，就成了：t=β1/（标准误）。这个t统计量啊，它服从自由度为n-2（n是样本量，减去2是因为简单线性回归有两个参数要估计）的t分布。然后，咱们就得看这个t统计量的值啦。怎么看呢？得跟t分布表里的临界值比一比。咱们得先定个显著性水平α，比如常用的0.05。查一下自由度为n-2，显著性水平为α的双尾检验的临界值tα/2。如果算出来的t统计量的绝对值大于这个临界值（|t|>tα/2），那咱们就拒绝原假设（原假设通常是“该回归系数等于0”），认为这个回归系数在统计上是显著的，也就是说，自变量对因变量有显著影响。如果算出来的t统计量的绝对值小于或等于这个临界值（|t|≤tα/2），那咱们就没办法拒绝原假设，认为证据不足以说明该回归系数显著不为0，也就是说，自变量对因变量可能没有显著影响，或者影响很微弱。对于多元线性回归（有多个自变量），检验每个回归系数的显著性，原则上也是用t检验，方法跟简单线性回归类似。就是看每个回归系数对应的t统计量的绝对值是否大于其自由度为n-k-1（n是样本量，k是自变量的个数）的t分布的α/2临界值。如果大于，就认为该自变量对因变量有显著影响；如果小于或等于，就认为没有显著影响。5.解释什么是方差分析（ANOVA），它在研究设计中有什么作用？好了，咱们来说说方差分析，简称ANOVA。这个名字听起来有点吓人，但其实它挺实用的。ANOVA这帮兄弟（F检验、t检验等）呢，都是用来检验多个总体均值之间是否存在显著差异的方法。它特别适合用来分析一个或多个因素（我们称之为因子或自变量）的不同水平（也就是因子下的不同组别或条件）对某个结果变量（因变量）是否产生显著影响。简单说，就是看多个组的平均值是不是真的不一样，而不只是看两两之间。怎么做到的呢？ANOVA的核心思想是分解总体的总变异。咱们看一组数据，总会有波动，这种波动（变异）可以分解成两部分：一部分是组内变异，也就是同一个组里个体之间的差异，这通常被认为是随机误差造成的；另一部分是组间变异，也就是不同组之间的平均值差异。ANOVA就是比较这两部分变异的大小。如果组间变异相对于组内变异来说显著大得多，那咱们就有理由怀疑，不同组的平均值可能真的不一样，这种差异不太可能是纯粹碰运气的结果。怎么量化这个“显著得多”呢？就是通过计算F统计量，它是组间变异的估计方差除以组内变异的估计方差。如果F统计量的值很大，并且超过了在某个显著性水平下由F分布表查得的临界值，那咱们就拒绝所有组的均值都相等的原假设，认为至少有一个组的均值与其他组不同。在研究设计中，ANOVA可是个宝贝。比如，咱们想比较不同教学方法（因素：教学方法，水平：方法A、方法B、方法C）对学生的考试成绩（结果变量：成绩）有没有影响，或者想看看不同剂量（因素：剂量，水平：低剂量、中剂量、高剂量）对药物的疗效（结果变量：疗效评分）有没有差别。这时候，ANOVA就派上用场了。它可以同时处理多个因素，还能分析因素之间是否存在交互作用（比如教学方法的效果会不会受到学生先前知识水平的调节）。用ANOVA，咱们可以更全面、更高效地检验关于多个组别均值差异的假设，而不需要进行成对的t检验（那会增加犯第一类错误的概率）。所以，无论是在心理学、医学、教育学还是农业科学等领域，ANOVA都是研究设计中一个非常重要的统计工具。四、计算题（本大题共3小题，每小题10分，共30分。）1.某公司想要检验一种新的广告策略是否比原来的广告策略更能提高产品的销量。他们随机选择了10个地区，在5个地区采用新策略（实验组），在另外5个地区采用旧策略（对照组）。经过一个月，收集到各地区的销量数据如下表所示。假设两组的销量数据均服从正态分布且方差相等，请分别在α=0.05的显著性水平下，检验新广告策略是否显著提高了销量。（注意：此处无具体数据，请自行假设或编造一组符合要求的数据进行计算。例如，假设实验组销量数据为：120,135,128,140,131；对照组销量数据为：110,115,119,123,118。请根据这组假设数据进行计算。）好的，这道题让我们来比较一下新广告策略和旧广告策略哪个更能提高销量。咱们有两个组，实验组用了新策略，对照组用了旧策略。这明显是个典型的单因素方差分析问题，因为只有一个因素（广告策略）在变，我们要看这个因素的不同水平（新策略vs旧策略）对结果（销量）有没有影响。首先，咱们得检验一下这两个组的方差是不是相等。因为题目说假设方差相等，咱们就先按这个假设来做。如果最后发现差别不大，那就算了；如果差别很大，可能就需要用别的更复杂的方法了，不过这通常超出了基础要求。检验方差相等，可以用F检验，但更常用的是看两组的标准差是不是差太多。咱们假设一下数据。实验组（新策略）的销量数据呢，就设为：120,135,128,140,131。对照组（旧策略）的销量数据呢，就设为：110,115,119,123,118。看着吧，感觉新策略好像稍微好一点点。接下来，咱们开始算方差分析所需的各项指标。先算两组各自的样本量：实验组n1=5，对照组n2=5，总共n=10。然后算各自的样本均值：实验组均值x̄1=(120+135+128+140+131)/5=654/5=130.8对照组均值x̄2=(110+115+119+123+118)/5=585/5=117再算总体均值x̄=(654+585)/10=1239/10=123.9然后算各个数据的总离差平方和（SST），也就是每个数据减去总体均值的平方和：SST=(120-123.9)²+(135-123.9)²+(128-123.9)²+(140-123.9)²+(131-123.9)²+(110-123.9)²+(115-123.9)²+(119-123.9)²+(123-123.9)²+(118-123.9)²=(-3.9)²+(11.1)²+(4.1)²+(16.1)²+(7.1)²+(-13.9)²+(-8.9)²+(-4.9)²+(-0.9)²+(-5.9)²=15.21+123.21+16.81+259.21+50.41+193.21+79.21+24.01+0.81+34.81=935.9再算组内离差平方和（SSE），也就是每个组内部的数据减去组内均值的平方和之和：实验组内部：(120-130.8)²+(135-130.8)²+(128-130.8)²+(140-130.8)²+(131-130.8)²=(-10.8)²+(4.2)²+(-2.8)²+(9.2)²+(0.2)²=116.64+17.64+7.84+84.64+0.04=227.8对照组内部：(110-117)²+(115-117)²+(119-117)²+(123-117)²+(118-117)²=(-7)²+(-2)²+(2)²+(6)²+(1)²=49+4+4+36+1=94SSE=227.8+94=321.8最后算组间离差平方和（SSA），这个比较简单，SSA=SST-SSE=935.9-321.8=614.1接下来，计算自由度：组间自由度df1=k-1=2-1=1（k是组数）组内自由度df2=n-k=10-2=8然后计算各个均方：均方组间MSA=SSA/df1=614.1/1=614.1均方组内MSE=SSE/df2=321.8/8=40.225现在可以计算F统计量了：F=MSA/MSE=614.1/40.225≈15.27题目说显著性水平α=0.05。咱们需要查F分布表，自由度是(1,8)的那个部分，α=0.05的临界值。查表可得，F(1,8;0.05)≈5.32。最后一步，比较F统计量和临界值。咱们算出来的F≈15.27，这个值大于临界值5.32。所以，在α=0.05的显著性水平下，我们拒绝原假设（即认为两组的均值相等），接受备择假设（即认为两组的均值不等）。结论是什么呢？咱们有足够的证据（在95%的置信度下）认为，新广告策略显著提高了销量，因为它带来的平均销量（130.8）显著高于旧广告策略的平均销量（117）。2.某研究人员想要研究三种不同的锻炼方式（A,B,C）对体重减轻的效果。他们随机选择了15名志愿者，将他们随机分配到三个组，每组5人，分别采用一种锻炼方式。经过一个月的锻炼，记录了每位志愿者的体重减轻量（单位：公斤）。假设三组体重减轻量数据均服从正态分布且方差相等，请分别在α=0.05的显著性水平下，检验三种锻炼方式对体重减轻效果是否有显著差异。（注意：此处无具体数据，请自行假设或编造一组符合要求的数据进行计算。例如，假设锻炼方式A的减轻量数据为：3.2,2.5,4.1,3.8,2.9；锻炼方式B的减轻量数据为：2.1,1.9,2.4,2.0,1.8；锻炼方式C的减轻量数据为：4.5,3.9,5.2,4.3,4.0。请根据这组假设数据进行计算。）好嘞，这道题是典型的单因素方差分析，目的是看三种不同的锻炼方式（A,B,C）在平均减肥效果上有没有显著差异。有三种水平，十五个样本，随机分配，数据满足正态和方差相等的前提，条件挺全的。题目让咱们假设一组数据来算。那我就假设一下吧。锻炼方式A（假设叫“跑步”）的体重减轻量：3.2,2.5,4.1,3.8,2.9公斤。锻炼方式B（假设叫“游泳”）的体重减轻量：2.1,1.9,2.4,2.0,1.8公斤。锻炼方式C（假设叫“瑜伽”）的体重减轻量：4.5,3.9,5.2,4.3,4.0公斤。嗯，从这个假设数据看，好像“瑜伽”和“跑步”效果更好一些。接下来，就按照方差分析的步骤来算。先算各组样本量：n1=n2=n3=5，总样本量n=15。然后算各组的样本均值：A组均值x̄1=(3.2+2.5+4.1+3.8+2.9)/5=16.5/5=3.3B组均值x̄2=(2.1+1.9+2.4+2.0+1.8)/5=10.2/5=2.04C组均值x̄3=(4.5+3.9+5.2+4.3+4.0)/5=22.9/5=4.58再算所有数据的总体均值x̄：x̄=(16.5+10.2+22.9)/15=49.6/15≈3.307然后算总离差平方和SST：SST=(3.2-3.307)²+(2.5-3.307)²+...+(4.0-3.307)²=(-0.107)²+(-0.807)²+(0.793)²+(0.493)²+(-0.407)²+(-0.207)²+(-0.407)²+(0.363)²+(-0.307)²+(0.693)²+(0.157)²+(-0.207)²+(0.873)²+(0.973)²+(0.693)²≈0.0114+0.6514+0.6290+0.2430+0.1656+0.0428+0.1656+0.1318+0.0942+0.4802+0.0246+0.0428+0.7621+0.9467+0.4802≈4.7274再算组内离差平方和SSE：A组内部：(3.2-3.3)²+(2.5-3.3)²+(4.1-3.3)²+(3.8-3.3)²+(2.9-3.3)²=(-0.1)²+(-0.8)²+(0.8)²+(0.5)²+(-0.4)²=0.01+0.64+0.64+0.25+0.16=1.7B组内部：(2.1-2.04)²+(1.9-2.04)²+(2.4-2.04)²+(2.0-2.04)²+(1.8-2.04)²=(0.06)²+(-0.14)²+(0.36)²+(-0.04)²+(-0.24)²=0.0036+0.0196+0.1296+0.0016+0.0576=0.211C组内部：(4.5-4.58)²+(3.9-4.58)²+(5.2-4.58)²+(4.3-4.58)²+(4.0-4.58)²=(-0.08)²+(-0.68)²+(0.62)²+(-0.28)²+(-0.58)²=0.0064+0.4624+0.3844+0.0784+0.3364=1.268SSE=1.7+0.211+1.268=3.179最后算组间离差平方和SSA：SSA=SST-SSE=4.7274-3.179=1.5484计算自由度：组间自由度df1=k-1=3-1=2组内自由度df2=n-k=15-3=12计算均方：均方组间MSA=SSA/df1=1.5484/2=0.7742均方组内MSE=SSE/df2=3.179/12≈0.2649计算F统计量：F=MSA/MSE=0.7742/0.2649≈2.914题目给显著性水平α=0.05。查F分布表，自由度是(2,12)的临界值。F(2,12;0.05)≈3.885。比较F统计量和临界值。咱们算出来F≈2.914，这个值小于临界值3.885。所以，在α=0.05的显著性水平下，我们不能拒绝原假设（即认为三组的均值相等），也就是说，没有足够的证据表明三种锻炼方式的平均减肥效果有显著差异。结论就是，根据这组假设数据，我们不能断定跑步、游泳和瑜伽这三种锻炼方式在平均减肥效果上存在显著不同。3.某医生想要研究两种不同的药物（药物X和药物Y）对降低血压的效果。他随机选择了20名高血压患者，将他们随机分配到两个组，每组10人。在一个月的治疗后，记录了每位患者的收缩压变化量（单位：毫米汞柱）。假设两组收缩压变化量数据均服从正态分布且方差相等，请分别在α=0.01的显著性水平下，检验两种药物对降低血压效果是否有显著差异。（注意：此处无具体数据，请自行假设或编造一组符合要求的数据进行计算。例如，假设药物X的血压变化量数据为：-15,-18,-20,-17,-19,-16,-18,-21,-22,-20；药物Y的血压变化量数据为：-10,-12,-14,-11,-13,-15,-16,-9,-12,-14。请根据这组假设数据进行计算。）好的，这又是一个单因素方差分析的题目。这次是看两种药物（X和Y）在降低血压效果上有没有显著不同。有两组，总共20个病人，数据满足正态和方差相等的前提，α=0.01，条件很明确。题目让我假设一组数据。行，我假设一下。药物X（假设叫“新降压片”）的收缩压变化量（降低量）：-15,-18,-20,-17,-19,-16,-18,-21,-22,-20毫米汞柱。药物Y（假设叫“老降压片”）的收缩压变化量：-10,-12,-14,-11,-13,-15,-16,-9,-12,-14毫米汞柱。从这个假设看，“新降压片”好像降压效果更明显一些。开始计算吧。两组样本量都是n1=n2=10，总样本量n=20。先算两组均值：X组均值x̄1=(-15-18-20-17-19-16-18-21-22-20)/10=-191/10=-19.1Y组均值x̄2=(-10-12-14-11-13-15-16-9-12-14)/10=-126/10=-12.6总体均值x̄=(-191-126)/20=-317/20=-15.85然后算总离差平方和SST：SST=((-15+15.85)²+...+(-20+15.85)²)+((-10+15.85)²+...+(-14+15.85)²)=(0.7056+10.8225+24.6225+6.6025+15.2225+0.0225+10.8225+28.2225+39.6225+24.6225)+(35.7225+19.6225+3.7225+24.6225+9.0225+0.0225+1.2225+45.6225+19.6225+3.7225)=221.6225+221.6225=443.245再算组内离差平方和SSE：X组内部：((-15+19.1)²+...+(-20+19.1)²)=(17.1616+49.7225+71.2825+44.8825+63.9625+10.6025+49.7225+97.0825+119.2825+100.2825)=748.45Y组内部：((-10+12.6)²+...+(-14+12.6)²)=(35.7225+19.6225+3.7225+24.6225+9.0225+0.0225+1.2225+45.6225+19.6225+3.7225)=221.6225SSE=748.45+221.6225=970.0725最后算组间离差平方和SSA：SSA=SST-SSE=443.245-970.0725=-526.8275咱们发现SSA是个负数！这明显不对劲啊。这说明我刚才算的组内平方和肯定有误，因为SST是非负的，SSE也是非负的，所以SSE=Σ(xi-x̄i)²，Σ(xi-x̄i)²怎么可能比Σ(xi-x̄)²还大？我得重新检查一下计算。哎，看来刚才算X组内部的时候，均值x̄1=-19.1用错了，应该是-20。重新算SSE：X组内部：((-15+20)²+...+(-20+20)²)=(25+16+25+9+25+16+16+16+16+0)=146Y组内部：((-10+12.6)²+...+(-14+12.6)²)=(35.7225+19.6225+3.7225+24.6225+9.0225+0.0225+1.2225+45.6225+19.6225+3.7225)=221.6225SSE=146+221.6225=367.6225重新算SSA：SSA=SST-SSE=443.245-367.6225=75.6225自由度：组间df1=k-1=2-1=1组内df2=n-k=20-2=18均方：MSA=SSA/df1=75.6225/1=75.6225MSE=SSE/df2=367.6225/18≈20.4235F统计量：F=MSA/MSE=75.6225/20.4235≈3.703题目给α=0.01。查F分布表，自由度是(1,18)的临界值。F(1,18;0.01)≈8.29。比较F统计量和临界值。咱们算出来F≈3.703，这个值小于临界值8.29。所以，在α=0.01的显著性水平下，我们不能拒绝原假设（即认为两组的均值相等），也就是说，没有足够的证据表明两种药物在平均降压效果上存在显著差异。结论就是，根据这组假设数据，我们不能断定新降压片和老降压片在平均降低收缩压的效果上有显著不同。五、综合应用题（本大题共2小题，每小题15分，共30分。）1.某大学想要了解学生每周花费在社交媒体上的时间是否受到性别和专业的影响。他们随机抽取了100名学生，记录了他们的性别（男/女）、专业（文科/理科/工科）以及每周花费在社交媒体上的时间（小时）。请根据以下假设数据，分别在α=0.05的显著性水平下，检验（1）性别对社交媒体使用时间是否有显著影响；（2）专业对社交媒体使用时间是否有显著影响。（注意：此处无具体数据，请自行假设或编造一组符合要求的数据进行计算。例如，假设文科学生每周使用时间数据为：10,12,15,11,13,14,16,9,10,12；理科学生每周使用时间数据为：8,9,7,10,6,8,5,7,9,11；工科学生每周使用时间数据为：15,17,19,16,18,20,22,21,23,24。请根据这组假设数据进行计算。）好的，这个问题涉及到两个自变量（性别和专业）对一个因变量（社交媒体使用时间）的影响，所以咱们得用双因素方差分析，也就是ANOVA。咱们要检验的是性别和专业这两个因素单独对使用时间有没有显著影响。α=0.05。首先，我假设了一组数据。咱们有100个学生，分成了三个专业：文科、理科、工科，每个专业各33人。性别的比例，我就简单设为男性和女性人数大致相等，比如各50人。然后假设他们每周使用社交媒体的时间（单位：小时）如下：文科：10,12,15,11,13,14,16,9,10,12,11,13,15,14,16,8,12,10,11,13,14,12,15,10,11,13,12,14,16,9,10,12,11,13理科：8,9,7,10,6,8,5,7,9,11,7,10,6,8,5,7,9,11,8,10,7,9,6,8,5,7,9,11,8,10,7,9,6,8,5,7,9,11工科：15,17,19,16,18,20,22,21,23,24,16,18,20,22,21,23,24,15,17,19,16,18,20,22,21,23,24,16,18,20,22,21,23,24,15,17,19,16,18,20好了，数据假设好了。接下来，咱们就用这组数据来做双因素方差分析了。首先，得计算各项均值。先算总体均值。总共100个数据，加起来是：文科时间总和=10+12+...+12+11+13=506理科时间总和=8+9+...+6+8+...+11=849工科时间总和=15+17+...+24=1856总体时间总和=506本次试卷答案如下一、单项选择题1.B解析：假设检验的基本步骤包括：首先，提出原假设H0和备择假设H1；其次，选择合适的检验统计量，并确定其分布；然后，根据显著性水平α确定拒绝域；最后，根据样本数据计算检验统计量的观测值，并判断是否落入拒绝域。举例说明：比如，要检验某种新药是否比安慰剂更有效，H0：新药无效，H1：新药有效。选择t检验统计量，根据样本数据计算t值，与临界值比较，若t值大于临界值，则拒绝H0，认为新药有效。2.A解析：估计总体均值时，样本量越小，估计的方差越大，精度越低；总体标准差越大，估计的方差越大，精度越低；置信水平越高，估计的区间越宽，精度越低。例如，假设要估计某城市居民的平均收入，如果样本量较小，总体标准差较大，置信水平较高，那么估计的置信区间会比较宽，精度较低。3.A解析：相关系数r的取值范围是从-1到+1。当r=+1时，表示两个变量之间存在完美的正线性相关关系；当r=-1时，表示两个变量之间存在完美的负线性相关关系；当r=0时，表示两个变量之间不存在线性相关关系；当r的绝对值越接近1，表示两个变量之间的线性关系越强；当r的绝对值越接近0，表示两个变量之间的线性关系越弱。4.B解析：检验回归系数显著性的常用方法是t检验。通过计算检验统计量的t值，并与临界值比较，判断系数是否显著不为零。例如，在简单线性回归中，通过计算斜率系数的t值，并与t分布的临界值比较，判断斜率系数是否显著不为零。5.A解析：方差分析（ANOVA）是用于检验多个总体均值之间是否存在显著差异的方法。它特别适合用来分析一个或多个因素的不同水平对某个结果变量是否有显著影响。例如，分析不同教学方法对学生的成绩是否有显著影响。二、多项选择题1.ABC解析：影响检验结果的因素包括：样本量、显著性水平α、总体标准差、检验统计量的值、检验方法。例如，样本量越大，检验结果的可靠性越高；显著性水平α越低，越不容易犯第一类错误。2.ABC解析：估计精度的因素包括：样本量、总体标准差、置信水平、检验统计量的值、检验方法。例如，样本量越大，估计的精度越高；总体标准差越小，估计的精度越高；置信水平越高，估计的区间越宽，精度越低。3.ABCD解析：方差分析（ANOVA）的假设条件包括：各组的样本量相等、各组的方差相等、数据服从正态分布、各组的均值相等。例如，如果数据不服从正态分布，那么检验结果可能不准确。4.ABC解析：相关系数r反映了两个变量之间的线性关系强度和方向。例如，r=0表示两个变量之间不存在线性关系；r=1表示两个变量之间存在完美的正线性相关关系；r=-1表示两个变量之间存在完美的负线性相关关系。5.ABC解析：检验回归系数显著性的常用方法包括：t检验、F检验、残差分析。例如，通过t检验判断回归系数是否显著不为零；通过F检验判断回归模型的整体拟合优度。三、简答题1.简述假设检验的基本步骤，并举例说明在实际问题中如何应用。解析：假设检验的基本步骤包括：首先，提出原假设H0和备择假设H1；其次，选择合适的检验统计量，并确定其分布；然后，根据显著性水平α确定拒绝域；最后，根据样本数据计算检验统计量的观测值，并判断是否落入拒绝域。举例说明：比如，要检验某种新药是否比安慰剂更有效，H0：新药无效，H1：新药有效。选择t检验统计量，根据样本数据计算t值，与临界值比较，若t值大于临界值，则拒绝H0，认为新药有效。2.解释什么是置信区间，